財務プロセス

小さなデータ、大きな機会

エグゼクティブサマリー

ビッグデータとは？

' ビッグデータ 'は、一般的なデータベースソフトウェアツールでは管理および分析できないほど大きなデータセットを表す主観的な尺度です。
代わりに、これらのセットを計算で分析して、特に人間の行動や相互作用に関連するパターン、傾向、および関連性を明らかにします。
ビッグデータと分析インターネット、eコマース、ソーシャルメディア、デバイスの相互接続性の出現により主流になりました。これらはすべて、ビッグデータを実現するために必要な分析可能なデータの量の大幅な増加に貢献しています。
ガートナーとIBM 脱構築 4つのVへのビッグデータ： ボリューム 、速度、 バラエティ そして 信憑性 -ビッグデータを収益化可能な価値に変換するために必要な各構成要素。

小さなデータとは何ですか？

小さなデータも主観的な尺度であり、分析に複雑なシステムやマシンを使用せずに、アクセス可能で、有益で、実用的で、理解しやすいように、ボリュームとフォーマットが十分に小さいデータセットとして定義されます。
小さなデータは、大きなデータが出現するまでスタンドアロンのカテゴリとして確立されなかったため、後者の派生物を表しています。
分析戦略を検討している中小企業は、より規範的で予測的な分析のためにビッグデータアプリケーションに成熟する前に、最初は小さなデータを使用して顧客に対する実用的な洞察を生成することに焦点を当てる必要があります。

データ分析を定義します。

データ分析は、高度な訓練を受けた統計学者とデータサイエンティストが、高度なソフトウェアプログラムを使用して統計的に有意な（つまり、大規模な）サンプルセットを分析し、パターンと傾向を特定する長年の分野です。この分析により、主に顧客とのやり取りに関するより良い意思決定を行うために役立つ洞察が可能になります。
近年、この作業を可能にするソフトウェアは、よりアクセスしやすく、強力で、使いやすくなっています。市民データサイエンティスト以前は高度な訓練を受けた技術専門家の領域であったプロジェクトを出現させ、着手すること。

前書き

データと分析ビジネスの世界では急速に流行語になっています。顧客の行動に関する洞察を収集したり、リスク分析を実施したり、インフラストラクチャをより効率的に管理したりするために「データをインテリジェントに使用する」先進的な企業への言及がなければ、ジャーナルをクラックするのは難しいでしょう。データが豊富な大企業、特に規制対象の企業は、何年にもわたってデータ主導の意思決定に取り組んできました。例示キャピタルワンが顧客をよりよく理解するためのデータ分析の先駆者である。その後、インサイトは、ハイパーターゲットで非常に影響力のあるマーケティングキャンペーンを開始するために使用され、大成功を収めました。

しかし、ニッチな始まりにもかかわらず、データの利用は急速に主流になりました。今日、特定の企業が、規模や人員に関係なく、分析をコアビジネスプロセス/機能として持たないという信頼できる理由はほとんどありません。コスト、リソース、専門知識などの従来の反対意見は、もはやマスタードを削減しません。それどころか、内部で生成されたデータは、競争力を維持しようとする競争力のある企業によって、他の方法と同じように活用されるユビキタスな戦略的資産に急速になりつつあります。

この記事は、読者に次の世界を大まかに紹介することを目的としています。データそして分析、市場のダイナミクス、ツール、プレーヤー、および両方に固有のソリューションについて説明した後、後半を中小企業向けの実践的な実装ガイドとフレームワークに当てます。

ビッグデータとスモールデータの両方に関するレイマンのガイド

インターネットの出現とそれに伴うeコマース、ソーシャルメディア、およびデバイスの相互接続により、それを利用するためのツールを所有している人々にとって、グローバルに利用可能で分析可能なデータの量が爆発的に増加しました。すべてのツイート、投稿など、左スワイプ、右スワイプ、ダブルタップ、レビュー、テキスト、トランザクション。それぞれが、私たちが誰であるか、どのように決定を下すか、どこで、なぜかをすべて伝えるデジタルフットプリントをマッピングするために使用できるデータです。このデータは、その形式の広さ、深さ、複雑さから適切に「ビッグデータ」と呼ばれ、規範的および予測的分析の可能性の海を解き放ち、ハイパーパーソナライズ私たちが毎日消費する非常に多くの製品の

正式には、ビッグデータは、パターン、傾向、および関連性を明らかにするために計算で分析できる大きなデータセットを表します。ほとんどの場合、人間の行動や相互作用に関連しています。データを「ビッグ」と呼ぶには、セット/バンクが非常に大きく、高度なデータメソッドと複雑なシステムを使用してデータから値を抽出する必要があります。

2001年に調査報告書、META Group（現在のGartner）は、ビッグデータを3次元でフレーム化しました。 3つの対データの。これらは次のとおりです。 ボリューム （量）、速度（生成/送信の速度）、および バラエティ （タイプとソースの範囲）。これらの3つのVは、その後に拡張されました 4つの対 IBMによる、含める 信憑性 価値を獲得するために必要な最終的な次元としてのデータの（品質/完全性）。

チャート1：ビッグデータの4つの対

…しかし、ビッグデータについてはすでに聞いたことがあるでしょう。小さなデータ一方、は、データのサブクラスであり、過度に複雑な分析ツールを必要とせずに、アクセス可能で、有益で、人々が実行可能にするのに十分なほど控えめであると見なされます。ベスト削減元マッキンゼーのコンサルタントであるAllenBonde氏は、次のように述べています。小さなデータ具体的には、原因、パターン、および人々についての「理由」の導出のために編成およびパッケージ化された意味のある洞察です。

SaaSベースの分析

データの可用性と有用性の両方の向上と並行して、スタンドアロンの分析業界が出現しました。かつては修士号と博士号レベルの統計学者、データサイエンティスト、アナリストが独占的に出没していた分析は、機能的に堅牢でありながら低コストのセルフサービスの業界に進化しました。サービスとしてのソフトウェア（SaaS）プラットフォームこれにより、初心者でもデータから価値を引き出すことができます。以前はこの種の分析を実行するために必要な専門知識や予算が不足していた中小企業は、現在、よりリソースの豊富な企業とほぼ同等の立場で競争し、市場で防御可能なモートを確立しています。

SaaSモデルの費用便益に加えて、研究テクノロジーとサービスの調査会社であるAberdeenGroupによると、SaaSツールを採用している組織には、本能的にデータを使用して意思決定を行い、ROI目標を達成していない組織の2倍の従業員がいることが示されています。ほとんどの企業では、会計、マーケティング、ERP、CRMシステムから内部で生成され、の主要なメカニズムとして使用されているレポートに加えて、メールマーケティングレポート、Google Analytics、およびその他のサードパーティのWebベースの分析ツールがすでに積極的に使用されています。彼らの小さなデータを収益化する。

これに加えて、正確な測定が困難な大規模で成長している市場ですが、IDCは世界のビジネスインテリジェンスおよび分析ツール市場をほぼ推定しています。 140億ドル 2017年の時点で、前年比11.7％、グローバル市場調査会社であるForrester Researchと共同で、 15％のCAGR 2021年まで。

文字列を日付に変換するjavascript

当然のことながら、分析ツールとソリューションの市場は、SAP、IBM、Oracle、Microsoftなどのソフトウェア会社の古い警備員によって支配されています。 2015年の時点で、SAPは 10％市場シェアと分析およびビジネスインテリジェンス（BI）製品の収益で12億ドル。 SAS Instituteは2位で、 9％シェア; IBM、3番目に 8％、およびOracleとMicrosoftは、それぞれ4位と5位で、 7％そして 5％。興味深いことに、ベンチャーキャピタルが支援する市場を上回る成長により、5大ベンダーの市場シェアは低下しています。スタートアップといった感情戦略、ボード、および Teradata 、業界の将来の成長の多くは、より小さく、より速く、より機敏な企業によって生み出されることを示唆しています。

図2：主要な米国のデータ分析プロバイダー、企業別の市場シェア

中小企業向けのデータ分析実装ガイド

可能な限り最高のレベルで、データ中心の文化経営陣は、同じバージョンの真実、つまり透明で定量化可能な真実から作業しながら、可能な限り最良の決定を頻繁かつ一貫して行うことができるという大きな自信を得ることができます。結局のところ、私たちのほとんどは、さまざまな事例情報源、事実パターン、および解釈に頼ることによって、戦争をしている幹部がさまざまな議論を提起/擁護し、入力の整合性、したがって出力の整合性にすぐに疑問を投げかけるセッションを経験しました。したがって、最初の決定データ分析の道を歩もうとしている特定の中小企業が作成しなければならないのは、その企業が本当にデータ主導の組織になろうとしているのかどうかです。

このトップダウンの決定がなされたら、新しい戦略的優先事項の可能性と有用性を最適化するためのフレームワークを確立する必要があります。始める、いくつかの質問尋ねる必要があります。まず、特定の企業、プロジェクト、イニシアチブ、または部門の短期的および長期的な目標は何ですか？第二に、誰が努力とその結果に責任を持つべきですか？第三に、企業、プロジェクト、イニシアチブ、または部門がデータで解決しようとしている具体的な問題は何ですか？そして第四に、イニシアチブを推進するためにどのようなツールを使用する必要がありますか？

これらの質問に答えたら、次のステップは具体的なものを作成することです実行計画これは、少しの計画、組織構造、トップダウンの方向性、およびボトムアップの熱意をもって、組織を手元に配置し、これまでよりも一貫して実際の測定可能な結果を生成します。次の図は、単純なデータ分析アプローチのさまざまな要素を検討するためのフレームワークを提供するように設計されています。

図3：要約要素、ディメンション、およびデータ分析アプローチの考慮事項

目的の質問へ

これは正しく理解するための最初の重要な質問です。大まかに言えば、データを活用しようとしている企業の上位目標は、健全なビジネス上の意思決定を行うための体系的なプロセスを開発することです。このプロセスは、一貫性があり、再現性があり、測定可能なほど優れた結果をもたらします。この時点で、健全なデータ指向の組織になることは目的地ではなく旅であることに注意することが重要です。そのため、上からの「賛同」と下からのコンセンサスは、重要であることが証明される重要な基本ステップです。大量採用と十分に活用された分析資産へ。バイインを達成した後、試行錯誤された次のステップは、いくつかの「クイックウィン」を戦略的に調整して、このプロセスを実現するために必要な興奮とエンゲージメントのしきい値を上げることです。合意形成、賛同、迅速な勝利の両方が達成されました研究私の経験では、次の構造、順序、および考慮事項を前提とした実装アプローチが必要です。

で始まる記述的分析 -シンプルなビジュアルダッシュボードこれは、既存のトランザクションデータを使用して企業のパフォーマンスを強調し、定量化可能なデータなしでは以前は決定的でなかった結論を導き出します。次に、開発するドリルダウンダッシュボード内の機能、洞察、パフォーマンスの要点、およびセルフヘルプの指示を戦略的に適切な同僚と共有します/ 組織の影響力者。これにより、部下への普及プロセスと、育成しようとしているデータ依存の文化の両方が開始されます。

ステージ2：より洗練されたものへの卒業予測分析社内の技術リソースを使用するか、サードパーティプロバイダーの助けを借りて機能を提供します。これらの予測機能は、内部データソースと外部データソースの両方をブレンドして、「顧客が欠陥を起こす可能性はどのくらいですか？」、「xを購入する顧客、通常はyも購入する」などの特定のビジネス質問に適切に回答し、実際の部門または特定のイニシアチブのパフォーマンスに関する時間的洞察。この場合の「外部データソース」には、ソーシャルメディアデータ、セールスフォースデータ、またはユーザーエクスペリエンスデータが含まれます。これらはすべて、統計的に有意な豊富な洞察のソースを提供しますが、社内データはまだ制限が多すぎて単独で活用できません。

第三段階は、高度な、規範的分析これは、履歴データを背景に、消費者、企業、競合他社、従業員、またはサプライヤーの行動を導く/先取りするための適切な行動を決定するのに役立ちます。ただし、この段階は通常、小さなデータから大きなデータへの移行を示し始めることに注意してください。それでも、意思決定において最高レベルの入出力の整合性と一貫性を確保するために、全社的な意思決定プロセスに組み込む必要のあるステップです。

図4：分析能力のある組織が目標と目的を特定するためのフレームワーク

分析のさまざまな段階の詳細ビュー

記述分析–ダッシュボード

測定対象が管理されるのは真実であるため、単一のデータ決定論的真実を開発することにより、組織内のリーダーはより健全でより統一された決定を下すことができます。ダッシュボードこのような分析の旅の出発点であり、企業のデータ決定論的真実の視覚的な図解です。もちろん、あるグループに関連することは別のグループには無意味かもしれません。十分な配慮特定のダッシュボードの目的またはテーマ、含める必要のある情報、そのコンテンツに関連する受容体の対象者、およびそのグループが回答/解決しようとしている質問/問題を説明する必要があります。

図5：サンプルの販売分析ダッシュボード

図6：eコマースのサンプル分析ダッシュボード

適切に設計されたダッシュボードは、単に履歴情報を提示するのではなく、意思決定を促進し、ビジネスのバイタルを正確に示しながら、傾向と繰り返しパターン（ポジティブとネガティブの両方）に最も効果的に注意を向けます。より洗練されたダッシュボードは、リーダーがに到達できるようにするドリルダウン機能を提供します根本原因より動的でリアルタイムの表示を可能にする注釈および共有機能で診断された問題の分析。

予測分析–データの混合、調査、およびクエリ

ダッシュボードプロセスが完了すると、意欲的なデータ主導の組織はより野心的になり始める可能性があります。これに、典型的な次の一歩「膨大で多様なデータを使用して、より高度な分析を実行し、意思決定ドメインにさらなる次元を提供する」ことです。 Experian、Acxiom、D＆Bなどの業種別のベンダーからソーシャルメディアやFacebook、Twitter、Salesforceなどの販売データプロバイダーに至るまで、サードパーティのデータとさらに充実した企業固有のデータをブレンドすることで、特定の企業はより大規模な調査を行うことができます。会社の業績と顧客行動に対する新しくより良い洞察のための、より広く、より多様で、統計的に有意なセット。

規範的分析–ビジネスプロセスへの分析の展開

データ、顧客、規制、特定のビジネス上の問題/問題に関してさまざまなニーズがあり、予算や社内スキルセットが異なるエンタープライズレベルの企業には、より独自のニーズに対応するテクノロジーベンダーが存在する可能性があります。それらは、分析をビジネスプロセスとワークフローに運用する能力がより重要で経済的になる規模で運用されます。多くの場合、これらの企業は規制された業界に属し、公正で反復可能な処理が実施されていることを実証できる必要があります。

良いAPIを作るもの

貸し手は、性別、収入、人種を問わず、貸付方針に偏見を示していません。

責任の問題へ

特定のアクションを決定することと、それを実装することは別のことです。診断、処方、決定と、望ましい結果に責任を持つ個人/グループとの間に関係がある必要があります。エグゼクティブスポンサーの役割が重要になるのはここです。

中小企業と大企業の両方で、エグゼクティブスポンサーは、データ強化と事実上のチャンピオンに指名されたと述べました。チーフデータオフィサー —個人であり、通常は開始時にCEO、CFO、またはCMOであり、すでにデータと分析に没頭しており、データによって最もよく解決される種類の問題に対応しているか、少なくともデータ分析の変革の可能性を信じています。

s corp vs c corp

この主人公に加えて、このプロセスには通常、特に企業が記述分析から予測分析への移行を開始した後は、二次的でより実践的なチャンピオンが必要です。従来、この人物は技術的に訓練された社内のデータサイエンティストでしたが、最近では、技術に精通した愛好家の形をとっています。市民データサイエンティスト。この個人は通常、自己選択します。知的好奇心と器用さの適切なバランスを備えた自称スプレッドシートジョッキーですが、実装の雑草に住むことをいとわない人です。多くの場合、この個人は、正式なデータ分析プロセスが会社にもたらす可能性のある影響を認識している点で経営陣よりも進んでいますが、ビジョンを販売するために必要なステータスや信頼性を欠いています。

ビジネス問題の質問へ

成功し失敗するすべての企業には、その企業に固有のリソース、プロセス、および機能の適切な組み合わせによってのみ対処できる独自の一連の課題があります。とはいえ、データで対処するのに最も適した種類のビジネス上の課題は、多くの場合、図7に示すフレームワークを使用して削減、分類、および対処できます。

さらに、いくつかの事例ガイドライン/パラメータ何年にもわたって考案されており、データに取り組む適切な種類の問題を特定する可能性だけでなく、正常に解決される可能性もさらに最適化しています。これらのガイドライン/パラメータは次のとおりです。まず、影響が非常に重要な単純で明確な質問を選択します。第二に、データから回答を探す際には、学術的な回答の完全性ではなく、ソリューションの実用性を目指します。第三に、診断と解決策を提供する際には、受信者の聴衆の性質と知識ベースを念頭に置いてください。そして最後に、同じように追跡できる既存のデータとソリューションで測定可能で定量化可能な問題のみを選択します。

図7：解決すべきビジネス上の問題を特定するためのフレームワーク

適切なツールと方法の質問へ

持続可能なデータ指向の組織の構築に関する最初の4つのフレームワークの質問の最後は、ツール、方法、またはプラットフォームの選択に関するものです。これに対して、データ分析ツールは近年大幅に進化しており、ビジネスユーザーにはさまざまな長所と短所があります。長所には、そのようなツールのリースに関連するコストの大幅な削減、機能リストの増加、および機能固有のツールから機能が重複するプラットフォームへの移行に伴う利用可能なオプションの複雑さが含まれます。さらに、SaaSベンダーは、ボリュームとデータタイプに制限はありますが、無料トライアルを提供しています。新しい常連客には、複数のプラットフォームをテストした後、情報に基づいた購入決定を下す機会が与えられます。

これらのプラットフォームの主な欠点は、相互の競争力を維持するために、ベンダーが複雑さに向けて積極的に革新したため、現在、平均的なビジネスユーザーの有用性を超えた製品で機能飽和に近づいていることです。不幸な結果は、初心者ユーザーの圧倒的であり、前述の「クイックウィン」を達成するのが難しくなり、その結果、特定の企業でデータ文化が定着する可能性が低くなります。

幸い、将来のユーザーを支援し、競合するビジネスインテリジェンスソリューションを評価および比較するために利用できるリソースはたくさんありますが、コアとなる共通機能に関する知識は、企業の特定のニーズや優先順位に照らして評価するのに役立ちます。そのような機能には、データ接続の数と範囲、事前に組み立てられたダッシュボードの可用性、ドリルダウン、公開および共有機能、データブレンディングおよび探索ソフトウェア機能との統合、スケーリングの可能性（ボリュームと多様性の両方のパラメーター）、数が含まれます。モデリングアプローチの正確性、および特定の業界ごとの顧客参照ベース。要約では確かに単純ですが、上記のチャート7は、さまざまなカテゴリ（記述的、予測的、規範的）で活躍するいくつかの主要ベンダーを示しています。

小さなデータ、大きな機会

そのニッチな始まりにもかかわらず、データ分析とSaaSベースの分析ツールの市場が近年大幅に進化し、市民データサイエンティストとその会社の利益に大きく貢献していることは明らかです。ビッグデータ、スモールデータ、セルフサービスツール-それぞれが現在十分に主流であり、最も技術的でないビジネスのコアコンピタンスとして検討する必要があります。言い換えると、非常に有用で実用的なデータが生成され、セルフサービスツールのコストが提供されている機能に反比例するため、中小企業でさえある程度の容量でデータを活用し始めない理由はほとんどありません。

この記事は、少しの計画、客観的な設定、および常連客の選択で、あなたのスタートアップでさえ、あなたのために途方もない経済的価値を解き放つ過程で、あなたが混乱させようとしている業界の巨人と競争の場を平準化し始めることができることを説明するべきでしたそしてあなたの利害関係者。始めるだけです。さあ、始めましょう！